CN111289848B - 一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法 - Google Patents
一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法 Download PDFInfo
- Publication number
- CN111289848B CN111289848B CN202010030479.9A CN202010030479A CN111289848B CN 111289848 B CN111289848 B CN 111289848B CN 202010030479 A CN202010030479 A CN 202010030479A CN 111289848 B CN111289848 B CN 111289848B
- Authority
- CN
- China
- Prior art keywords
- frame
- data
- formula
- partial discharge
- gradient average
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000001914 filtration Methods 0.000 title claims abstract description 10
- 239000002131 composite material Substances 0.000 title claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法,包括采集第一帧数据,作为关键帧,记为I帧,取任意一个区域记为S1,其中S1小于或者等于640*482;对I帧的区域S1基于Soble算子进行卷积计算,得到I帧S1内的各个点的梯度平均值;采集下一帧数据,记为P帧,对P帧的区域S1基于Soble算子进行卷积计算,求得P帧S1内的各个点的梯度平均值;计算S1区域内P帧与I帧梯度平均值的差W,如果W小于阈值3,接着处理下一帧,否则使用P帧替换I帧。本发明有效解决红外和局放数据常见的像素抖动问题,并且对关键帧分矩阵处理,分模块去除噪声,避免数据整体去噪导致的图像模糊问题发生。
Description
技术领域
本发明属于电力设备带电检测技术领域,具体涉及一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法。
背景技术
在电力设备领域,局放数据指通过各种仪器设备采集到的带电设备周围电磁波信号,经过数模转换后形成的放电频谱图像。而红外数据则是利用红外探测器和光学成像物镜接受被测目标的红外辐射能量分布图形反映到红外探测器的光敏元件上,从而获得的红外热像图,这种热像图与物体表面的热分布场相对应。通俗地讲红外热像仪就是将物体发出的不可见红外能量转变为可见的热图像,热图像的上面的不同颜色代表被测物体的不同温度。
现有技术中,在单独红外数据处理过程中,通过两点校正和单点校正算法已经有效解决了红外焦平面阵列的固有噪声,再通过边缘检测和图像模糊等图像处理方法,已经获取了较好的图像效果。在单独局放数据处理过程中,通过均值和中值滤波等常规方法,有效去除了数据的噪声,获取了较好的数据。但是当红外和局放数据同时进行数据处理时,由于两种信号同时采集,会产生一定程度的干扰,如果继续使用以上两种方法,不仅会增加FPGA的实现难度,对新产生的干扰信号,去噪的效果也不是很明显。
有上述可知,需要研究一种新的方法,可同时适用于红外和局放数据,也可以单独适用于红外或局放数据,减少噪声,以提高数据质量。
发明内容
本发明提供了一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法,可以有效的同时去除红外和局放数据的噪声,为后续的红外图像处理和局放数据显示提供有效的数据保障。
本发明的技术方案为:一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法,包括步骤:
S1、采集第一帧数据,作为关键帧,记为I帧,取任意一个区域记为S1,其中S1小于或者等于640*482;
S2、对I帧的区域S1基于Soble算子进行卷积计算,得到I帧S1内的各个点的梯度平均值Mean;
S4、计算S1区域内P帧与I帧梯度平均值的差W,如果W小于阈值3,接着处理下一帧,否则使用P帧替换I帧;
作为优选,所述步骤S1中,采集一帧数据记为I(i,j),并将其记为I帧,任意选取其中一个区域S1=f(i,j),见公式(1),
其中(i,j)代表每个像素的坐标,m,n代表矩阵的大小。
作为优选,所述步骤S2中,对I帧的区域S1基于Soble算子进行卷积计算时,通过公式(2)和公式(3)进行计算在x方向的卷积Gx,通过公式(4)和公式(5)计算在y方向的卷积Gy,S1中作用点像素通过卷积后为G(i,j),见公式(6),根据公式(7)计算得到S1内的各个点的梯度平均值Mean;
Gx=[f(i+1,j-1)+2×f(i+1,j+1)+f(i+1,j-1)]-[f(i-1,j-1)+2×f(i-1,j+1)+f(i-1,j-1)] (3)
Gy=[f(i-1,j-1)+2×f(i,j-1)+f(i,j-1)]-[f(i-1,j+1)+2×f(i,j+1)+f(i+1,j+1)] (5);
G(i,j)=|Gx|+|Gy| (6);
其中f(i,j)表示图形(i,j)点的原始值;
h(h,k)表示采取的sobel卷积因子模板。
依据公式(8)计算滤波后的点;
作为优选,所述步骤S4中,计算S1区域内P帧与I帧梯度平均值的差W,如果W小于阈值3,接着处理下一帧;否则使用P帧替换I帧。
作为优选,数据包含有红外数据和局放数据,所述红外数据大小为640*480*2Byte,局放数据大小为1024Byte。
与现有技术相比,本发明的有益效果体现在:
本发明利用红外和局放数据的独有特性,即数据是缓慢变化的特性,选取关键帧,普通帧通过与关键帧的计算,进行帧间去噪处理,有效解决红外和局放数据常见的像素抖动问题。并且对关键帧分矩阵处理,分模块去除噪声,避免数据整体去噪导致的图像模糊问题发生。
附图说明
图1为本发明的流程示意图。
具体实施方式
实施例1
本实施例为一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法,包括步骤:
S1、采集第一帧数据,数据包含有红外数据和局放数据,所述红外数据大小为640*480*2Byte,局放数据大小为1024Byte;作为关键帧,记为I帧,取任意一个区域记为S1,其中S1小于或者等于640*482;
S2、对I帧的区域S1基于Soble算子进行卷积计算,得到I帧S1内的各个点的梯度平均值Mean;
S4、计算S1区域内P帧与I帧梯度平均值的差W,如果W小于阈值3,接着处理下一帧,否则使用P帧替换I帧;
如图1所示,具体过程如下:
其中,步骤S1中,采集一帧数据记为I(i,j),并将其记为I帧,任意选取其中一个区域S1=f(i,j),见公式(1),
其中(i,j)代表每个像素的坐标,m,n代表矩阵的大小。
在步骤S2中,对I帧的区域S1基于Soble算子进行卷积计算时,通过公式(2)和公式(3)进行计算在x方向的卷积Gx,通过公式(4)和公式(5)计算在y方向的卷积Gy,S1中作用点像素通过卷积后为G(i,j),见公式(6),根据公式(7)计算得到S1内的各个点的梯度平均值Mean;
Gx=[f(i+1,j-1)+2×f(i+1,j+1)+f(i+1,j-1)]-[f(i-1,j-1)+2×f(i-1,j+1)+f(i-1,j-1)] (3);
Gy=[f(i-1,j-1)+2×f(i,j-1)+f(i,j-1)]-[f(i-1,j+1)+2×f(i,j+1)+f(i+1,j+1)] (5);
G(i,j)=|Gx|+|Gy| (6);
其中f(i,j)表示图形(i,j)点的原始值;
h(h,k)表示采取的sobel卷积因子模板。
再依据公式(8)计算滤波后的点;
然后再步骤S4中,计算S1区域内P帧与I帧梯度平均值的差W,如果W小于阈值3,接着处理下一帧;否则使用P帧替换I帧。
Claims (2)
1.一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法,其特征在于,包括步骤:
S1、采集第一帧数据,作为关键帧,记为I帧,取任意一个区域记为S1,其中S1小于或者等于640*482;
S2、对I帧的区域S1基于Soble算子进行卷积计算,得到I帧S1内的各个点的梯度平均值Mean;
S4、计算S1区域内P帧与I帧梯度平均值的差W,如果W小于阈值3,接着处理下一帧,否则使用P帧替换I帧;
其中,所述步骤S1中,采集一帧数据记为I(i,j),并将其记为I帧,任意选取其中一个区域S1=f(i,j),见公式(1),
其中(i,j)代表每个像素的坐标,m,n代表矩阵的大小;
所述步骤S2中,对I帧的区域S1基于Soble算子进行卷积计算时,通过公式(2)和公式(3)计算在x方向的卷积Gx,通过公式(4)和公式(5)计算在y方向的卷积Gy,S1中作用点像素通过卷积后为G(i,j),见公式(6),根据公式(7)计算得到S1内的各个点的梯度平均值Mean,
Gx=[f(i+1,j-1)+2×f(i+1,j+1)+f(i+1,j-1)]-[f(i-1,j-1)+2×f(i-1,j+1)+f(i-1,j-1)] (3);
Gy=[f(i-1,j-1)+2×f(i,j-1)+f(i,j-1)]-[f(i-1,j+1)+2×f(i,j+1)+f(i+1,j+1)] (5);
G(i,j)=|Gx|+|Gy| (6);
其中f(i,j)表示图形(i,j)点的原始值;
h(h,k)表示采取的sobel卷积因子模板;
依据公式(8)计算滤波后的点;
2.如权利要求1所述的应用在基于安全生产的智能型热局放仪的复合数据滤波方法,其特征在于,数据包含有红外数据和局放数据,所述红外数据大小为640*480*2Byte,局放数据大小为1024Byte。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010030479.9A CN111289848B (zh) | 2020-01-13 | 2020-01-13 | 一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010030479.9A CN111289848B (zh) | 2020-01-13 | 2020-01-13 | 一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111289848A CN111289848A (zh) | 2020-06-16 |
CN111289848B true CN111289848B (zh) | 2023-04-07 |
Family
ID=71026620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010030479.9A Active CN111289848B (zh) | 2020-01-13 | 2020-01-13 | 一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111289848B (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994014139A1 (en) * | 1992-12-15 | 1994-06-23 | Viacom International Inc. | Method for reducing noise in digital video information |
KR100468967B1 (ko) * | 2001-12-28 | 2005-01-29 | 엘지전자 주식회사 | 썸네일 영상 생성장치 및 방법 |
CN103208117A (zh) * | 2013-03-21 | 2013-07-17 | 袁景 | 一种多功能智能皮带表面斑块边缘检测方法 |
KR20150069589A (ko) * | 2013-12-13 | 2015-06-24 | 청주대학교 산학협력단 | 윤곽선 검출을 고속으로 수행하는 스테레오 영상 보정 기록매체 |
CN103810711A (zh) * | 2014-03-03 | 2014-05-21 | 郑州日兴电子科技有限公司 | 一种用于监控系统视频的关键帧提取方法及其系统 |
CN104899861B (zh) * | 2015-04-01 | 2017-10-27 | 华北电力大学(保定) | 一种血管内超声视频中关键帧的自动检索方法 |
WO2016165112A1 (zh) * | 2015-04-16 | 2016-10-20 | 中国科学院自动化研究所 | 一种对比度自适应的视频去噪系统 |
CN104767913B (zh) * | 2015-04-16 | 2018-04-27 | 北京思朗科技有限责任公司 | 一种对比度自适应的视频去噪系统 |
CN106469436B (zh) * | 2015-08-17 | 2019-11-08 | 比亚迪股份有限公司 | 图像去噪系统及图像去噪方法 |
CN105184791A (zh) * | 2015-09-02 | 2015-12-23 | 国网吉林省电力有限公司电力科学研究院 | 一种输电线路视频图像中的绝缘子定位方法 |
CN110298216B (zh) * | 2018-03-23 | 2021-07-23 | 中国科学院沈阳自动化研究所 | 基于车道线梯度图像自适应阈值分割的车辆偏离报警方法 |
CN109190624B (zh) * | 2018-09-29 | 2022-04-19 | 佛山市云米电器科技有限公司 | 基于图像处理的厨房油烟浓度检测方法 |
CN110110646B (zh) * | 2019-04-30 | 2021-05-04 | 浙江理工大学 | 一种基于深度学习的手势图像关键帧提取方法 |
-
2020
- 2020-01-13 CN CN202010030479.9A patent/CN111289848B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111289848A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020224518A1 (zh) | 基于局部中值直方图的自适应红外图像去条纹算法 | |
CN110570374B (zh) | 一种对红外传感器所获得图像的处理方法 | |
CN104021532B (zh) | 一种红外图像的图像细节增强方法 | |
CN107169947B (zh) | 一种基于特征点定位和边缘检测的图像融合实验方法 | |
CN104796582B (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
CN110047055B (zh) | 一种红外图像细节增强及去噪方法 | |
CN111899200B (zh) | 一种基于3d滤波的红外图像增强方法 | |
CN108154490A (zh) | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 | |
CN104580937A (zh) | 一种红外成像系统条纹噪声去除方法 | |
CN103208105A (zh) | 一种红外图像细节增强与噪声自适应抑制方法 | |
CN103237158B (zh) | 影像处理方法、影像撷取系统及影像处理器 | |
CN115170619B (zh) | 一种基于密集光流法的云遮挡预测方法 | |
CN114627011A (zh) | 改进双边滤波与多帧平均联合的红外序列图像降噪方法 | |
CN113432723B (zh) | 用于弱化杂散辐射的图像处理方法、系统及计算机系统 | |
Cao et al. | Vignetting correction based on a two-dimensional Gaussian filter with harmony for area array sensors | |
CN111289848B (zh) | 一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法 | |
CN115249211A (zh) | 一种基于水下非均匀入射光模型的图像复原方法 | |
Wang et al. | A bilateral filtering based ringing elimination approach for motion-blurred restoration image | |
CN108470325B (zh) | 一种面阵凝视红外遥感图像时空三维噪声识别及补偿方法 | |
Tang et al. | Sky-preserved image dehazing and enhancement for outdoor scenes | |
CN111175618B (zh) | 一种适用于同时处理红外和局放数据的局部相关性滤波方法 | |
CN105913394B (zh) | 一种基于退化图像序列的图像盲复原方法 | |
Schöberl et al. | Sparsity-based defect pixel compensation for arbitrary camera raw images | |
Zhou et al. | Local spatial correlation-based stripe non-uniformity correction algorithm for single infrared images | |
Hong et al. | A Weighted Guided Filtering-Based Multi-Domain Fusion Destriping Method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |